应用BP融合模型探测海上溢油遥感图像边缘的研究

应用BP融合模型探测海上溢油遥感图像边缘的研究

俞永庆王林峰冀玉超

中国石油化工股份有限公司胜利油田分公司

摘要：为了通过遥感来监测和识别海面溢油,科学家们己经针对遥感图像进行了很多研究工作。对于海面溢油的探测来说,边缘检测是一种重要的图像处理技术。

关键词：BP神经网络；遥感；信息融合

1前言

随着世界海洋石油运输业的发展和海上油田的不断投入生产,全世界每年泄漏入海的石油及石油产品非常之多。大吨位油船海难或石油平台溢油事故,往往造成大面积海面的石油污染。由于石油及石油产品不易降解,因此还大量进入大气圈、水圈和生物圈,对大片海域和大气环境造成长期的危害。这些危害包括破坏受污海域的海洋生态环境,造成鱼类、海鸟和其他海洋生物的大面积死亡;破坏海滨环境和娱乐场所等等。溶解于水中和沉入海底的油污还会对整个海域环境和生态造成长期的影响。

2航空遥感监测海上溢油的研究状况

航空遥感技术应用在海上溢油监测,始于1969年。该年,美国使用C一47运输机,装载两部多波段可见光扫描仪,对加利福尼亚圣巴巴拉附近海上采油区井喷造成的海上油污区进行海面石油污染监测,对海上油膜及其扩散进行了跟踪测量。这次航遥测油取得了很好的效果,得到了较高的评价。随后,美国,以及日本,苏联,瑞典等国在这方面作了许多实验研究工作,使海面油污的遥感监测技术得到了迅速的发展。现在,由于传感器和计算机系统的进展,遥感技术已经能对海面油膜的覆盖范围、油膜厚度、溢油数量、和油污油种进行监视监测。

我国对海洋石油污染遥感方面起步较晚。1980年,由国家海洋局第一海洋研究所首先开始了我国航空遥感监测海上污油的实验研究工作。随后,国家海洋局第二海洋研究所在这方面也进行了许多工作。目前用于监测海面溢油的传感器很多,大体可分为可见光,紫外,红外,激光和微波传感器。

3网络的原理及适用范围

常用的模式分类的神经网络模型是感知器和B网络。由于感知器神经网络中神经元的变换函数采用符号函数,其输出为二值量。BP网络也是一种多层前馈神经网络,其神经元的变换函数是S型函数,因此输出量为0到1之间的连续量,它可以实现从输入到输出的任意的非线性映射。由于权值的调整采用反向传播(BackPr0Pagation)的学习算法,因此也常称其为BP算法,也称误差逆传播学习算法。它是有导师的学习,是梯度下降法在多层前馈网络中的应用。

误差逆传播神经网络是一种具有三层或三层以上的阶层型神经网络。上、下层之间各神经元实现全连接,即下层的每一个单元与上层的每一个单元都实现连接,而每层各神经元之间无连接。网络按教师示教的方式进行学习,当一对学习模式提供给网络后,神经元的激活值从输入层经各隐含层向输出层传播,在输出层的各神经元获得网络的输入响应。在这之后,按减小希望输出与实际输出误差的方向,从输出层经各隐含层逐层修正各连接权,最后回到输入层,故得名“误差逆传播算法”。随着这种误差逆传播修正的不断进行,网络对输入模式响应的正确率也不断上升。

多层前馈网络的结构中,X、Y是网络的输入、输出向量,每一种神经元用一个节点表示,网络由输入层、隐含层和输出层节点组成,隐含层可以是一层,也可以是多层(图中是单隐含层),前层至后层节点通过权联接。由于用BP学习算法,所以常称BP神经网络仁。

在确定了BP网络的结构后,利用输入输出样本集对其进行训练,也即对网络的权值和阂值进行学习和调整,以使网络实现给定的输入输出的映射关系。经过训练的BP网络,对于不是样本集中的输入也能给出合适的输出,这种性质称为泛化(general说ation)功能。从函数拟合的角度看,这说明BP网络具有插值功能。BP算法的“学习”方法属于有导师学习,亦称监督学习。它需要组织一批正确的输入输出数据对。将输入数据加载到网络输入端后,把网络的实际响应输出与正确的(期望的)输出相比较得到误差,然后根据误差的情况修改各连接权,使网络朝着能正确响应的方向不断变化下去,直到实际响应的输出与期望的输出之差在允许范围之内。这种学习算法通常称为误差修正算法。BP算法是这类算法的代表。

BP学习算法由正向传播和反向传播组成。正向传播是输入信号从输入层经隐含层传向输出层,若输出层得到了期望的输出,则学习算法结束;否则转至反向传播。反向传播就是将误差信号(样本输出与网络输出之差)按原连接通路反向计算,由梯度下降法调整各层神经元的权值和闽值,使误差信号减小。BP网络是当前应用最为广泛的一种人工神经网络,它的结构简单,工作状态稳定,易于硬件实现。其应用范围主要是在识别分类、非线性映射、复杂系统仿真等。

4遥感溢油图像的边缘检测模型

4.1模型流程

本模型大致分一下四大模块。

读入图形文件,并提取出图像灰度的矩阵,保存为全局变量。图像的外围点用其相邻边界点的灰度值来补充,以便于以后用算子做边缘检测。目前要求读入的图像是256个灰度的BMP格式的灰度图像。

算子处理:应用的算子为RobertS算子,Sobel算子,Prewitt算子,儿rseh算子和拉普拉斯算子。分别对各简单算子定义一个线程,运用C语言中的多线程机制,更有效的利用电脑资源。图像中的每一个象素点都要分别和五个算子进行卷积运算,得到其边缘灰度值。再把它们的结果分别存储在五个二维数组中,作为BP融合模块的输入。各算子之间的处理过程采用并行的方式。

用BP网络融合:BP网络的训练和融合过程是在M户JLAB环境下实现的。因为MATLAB里有一些较成熟的神经网络函数,便于调试和研究。应用MATLAB的引擎函数库,可以把C中的数据传输到M户L1,LAB中来进行训练或者融合,然后再把结果通过引擎函数传回到C环境中。

图像输出:处理结束后,边缘图像显示在界面上,并自动以“处理结果.bmp”的文件名存储在和被处理图像的同一路径下。

4.2融合结构

对于融合对象,结构上大致可以分为串联和并联两种形式.为了防止信息的丢失,同时考虑融合的速度,该模型采用并联融合的结构。该模型的并联融合结构作为融合体的BP神经网络的输入是经五个简单算子处理后的边缘图像的象素值;它的输出即为融合后的边缘图像象素值。

4.3各算子的处理过程

边缘发生在灰度函数不连续的位置,因此最简单的边缘检测算法是对图像的灰度函数直接求导。对图像的灰度函数求一阶或二阶导数是简单的算法之一,对于数字图像,用差分代替微分,常用的算子有sboel算子、Rboerst算子、Prweitt算子、KirSCh算子和拉普拉斯算子等。

4.4各算子的检测性能

直观上看,Sobel和Perwitt算子能够检测垂直和水平方向边缘,Robert算子则易于检测45度方向边缘,进一步分析不难发现用Sobel计算的边缘方向误差最小(约4度),Prweitt算子次之,Rboert算子较大(可超过8度)。对于这样的误差,可以组合利用2个不同的算子估计精确值。而拉普拉斯算子无方向性,对噪声比较敏感。

因此,单凭其中的任一种简单算子都不能较好的检测出图像的边缘,尤其是遥感探测的海上溢油图像噪音比较多,情况复杂,边缘不清晰,所以必须要对以上算子检测出的结果进行融合。

4.5Bp网络的融合过程

BP网络的融合过程是运用MATLAB里的神经网络工具实现的。经过多次的试验比较,本文把BP网络的输入层节点数设为5,单隐含层的初始化节点数为15,输出层的节点数为1。输入层的5个节点分别对应经RobrtS算子,Sobel算子,Prweitt算子,KisrCh算子和拉普拉斯算子处理后在该象素点的边缘灰度值。而输出的数值即为融合后的边缘图像在该点的边缘灰度值。

5结束语

随着现代工业的发展和人类生活的现代化,海洋污染的程度仍在不断的发展。因此,必须对整个海洋污染程度和性质进行观测和研究。

参考文献

[1]安居白,张永宁.发达国家海上溢油遥感监测现状分析[J].交通环保.2002(03).

[2]张凯丽,刘辉.边缘检测技术的发展研究[J].昆明理工大学学报.2000(05).

[3]李珊.基于粒子群优化算法的BP神经网络漏钢预报模型[D].燕山大学2014.

[4]柴艳妹.多源遥感图像融合技术研究[D].西北工业大学2004.

[5]李四海.海上溢油遥感探测技术及其应用进展[J].遥感信息.2004(02).

[6]石敬.渤海海域大型溢油应急综合遥感监测体系研究[D].大连海事大学2012.